该研究论文提出了一种基于深度学习的方法，用于从阴影和高光中恢复复杂细节以及重建高动态范围图像，通过图像到图像转换任务，提出了一种基于条件性去噪扩散概率模型（DDPM）的框架，并在该框架中结合了深度卷积神经网络（CNN）的自编码器来提高用于条件化的输入 LDR 图像的潜在表征质量，此外引入了一种新的损失函数来改善 LDR-HDR 转换任务的结果质量。通过全面的定量和定性实验，有效地展示了该方法的优越性，结果表明简单的基于扩散的条件方法可以取代复杂的基于相机管线的架构。

Jul, 2023

本研究提出了一种新的两阶段深度网络，旨在通过第一阶段的图像增强任务和第二阶段基于数据样本的色调映射和位扩展，将单次曝光的低动态范围图像映射成高动态范围图像，无需了解相机响应函数（CRF）和曝光设置等硬件信息。实验结果表明，该方法可以在质量和数量上超过现有的低动态范围到高动态范围的工作，并且在真实世界低动态范围图像评估中也能够重建出逼真的 HDR 图像。

Apr, 2021

通过将更多信息的 Raw 传感器数据与现有的 8 位 LDR sRGB 图像相结合，本文提出了一种适用于 Raw 图像的模型，通过学习曝光蒙版、双强度引导和全局空间引导等方法，实现对高动态范围场景的重建，并通过大量的 Raw/HDR 数据集进行实证评估，验证了该方法的优越性。

Sep, 2023

本文提出了一种基于深度神经网络和卷积神经网络的新型算法来重建高动态范围图像，其方法相较于传统算法在可视化品质和峰值信噪比方面有较大幅度的提高。

Jan, 2018

该研究提出了一种基于 CNN 的图像重建算法，通过采用域知识来对低动态范围图像制造管道进行建模，并将重建问题分解为特定的子任务，最终的模型相比现有的单一图像 HDR 重建算法表现更好。

Apr, 2020

通过直方图均衡化的低动态范围图像以及自注意力引导，本文提出一种简单而有效的方法 HistoHDR-Net，用于恢复 HDR 图像的细节（如色彩、对比度、饱和度和亮度），并通过融合的方法实现。实验证明该方法优于现有技术方法。

Feb, 2024

本研究描述了一种基于对原生 LDR 图像的最佳视觉特征复制目标的新的色调映射方法，通过无关的 HDR 和 LDR 图像数据集的对抗性训练生成具有照片般逼真质量的无伪影图像，并通过不同的图像保真度指数和视觉距离证明其实现的最新性能。

Oct, 2021

提出了一种基于 CNN 和 Dual Transformer 的 hierarchical dual Transformer 方法（HDT-HDR）进行去除 LDR 图像中 ghosts 的 HDR 图像生成方法，该方法能够同时提取全局特征和局部特征，进行了大量实验验证其效果优于现有的 HDR ghost removal 方法。

Apr, 2023

提出了一种在一个网络中明确估算色调映射函数和其对应的高动态范围（HDR）图像的方法，通过使用多项式描述色调曲线的趋势并利用可学习网络估算多项式系数，实现对真实 HDR 图像的重建；同时构建了一个包含合成和真实图像的新数据集来解决现有数据集中色调映射函数和中低动态范围（LDR）图像之间的对应关系缺乏问题，并在各种色调映射函数下取得了最先进的性能。

Jul, 2023

通过融合多曝光低动态范围（LDR）图像生成无伪影、具有真实细节的高动态范围（HDR）图像是高动态范围成像的目标。为了解决相关问题，本文提出了一种高质量 HDR 图像生成的 HDR 转换变形卷积（HDRTransDC）网络，该网络包括 Transformer Deformable Convolution Alignment Module（TDCAM）和 Dynamic Weight Fusion Block（DWFB）。详细实验表明，我们的方法在定量和定性上都达到了最先进的性能。

Mar, 2024